萬 航，陳立潮，潘理虎，謝斌紅，張英俊

（太原科技大學(xué)計算機(jī)學(xué)院，太原 030024）

當(dāng)今社會已進(jìn)入老齡化社會，加上現(xiàn)在老年人人口數(shù)量眾多并且獨(dú)居老人也很多，老年人跌倒發(fā)生率高、后果嚴(yán)重，已經(jīng)成為一個嚴(yán)重的醫(yī)療問題和社會問題。通過科學(xué)有效的手段來預(yù)測及檢測老年人跌倒，從而減小老年人跌倒帶來的傷害問題已成為國內(nèi)外新的研究熱點(diǎn)，具有較高的研究價值及應(yīng)用意義。第一時間能夠發(fā)現(xiàn)老年人跌倒并且救護(hù)能夠減小跌倒事故對老年人傷害。利用跌倒行為的一些特征，與日常的一些普通行為進(jìn)行區(qū)分。然而國內(nèi)外目前對老年人跌倒行為過程的研究尚無針對性的模型，對于不同跌倒過程與相似運(yùn)動狀態(tài)識別的誤判問題比較突出，尤其是對跌倒沖擊狀態(tài)前的預(yù)測問題研究尚起步不久，還有許多關(guān)鍵問題尚未解決。

目前對于跌倒檢測有兩個方向，一個是利用傳感器的檢測方法，另一個是基于視頻圖像的檢測方法。當(dāng)前利用傳感器的檢測算法有任子良，李勇提出基于二次判斷的無線多傳感器跌倒監(jiān)測系統(tǒng)［1］，李冬等提出了基于三維加速度傳感器的跌倒檢測系統(tǒng)［2］，石欣等提出了基于壓力傳感器的跌倒檢測系統(tǒng)研究［3］。當(dāng)前視頻圖像的檢測算法有楊帆等提出的基于頭部運(yùn)動軌跡以及3D視覺的檢測系統(tǒng)以及WANN-YUN SHEIH等提出的邊緣替換識別算法［4］。由于傳感器技術(shù)的不斷改進(jìn)傳感器正變得越來越小、重量輕、攜帶方便。因此，這些檢測跌倒行為的傳感器不受限制。然而使用這些傳感器最大的問題是噪音的干預(yù)。正常的活動如坐著，站著或者躺下會產(chǎn)生非常類似于跌倒事故的模稜兩可的信號。此外，如果一位長者失去意識，我們不能分辨是否有跌倒事故或只是躺下。由于在跌倒過程中人體的重心變化很明顯，所以提出基于重心變化識別方法，該方法將從視頻中的圖像進(jìn)行以下幾步處理，包括目標(biāo)提取、圖像處理、跌倒模式識別。

1 目標(biāo)提取

使用三幀幀間差分法從一段視頻圖像中提取一個人輪廓，三幀間差分法是一種通過對視頻圖像序列中相鄰兩幀作差分運(yùn)算來獲得運(yùn)動目標(biāo)輪廓的方法，當(dāng)監(jiān)控場景中出現(xiàn)異常物體運(yùn)動時，幀與幀之間會出現(xiàn)較為明顯的差別，兩幀相減，得到兩幀圖像亮度差的絕對值，而采用三幀幀間差分法能夠更好的提取出目標(biāo)輪廓。為了后續(xù)的圖像處理，將得到的差分圖像進(jìn)行二值化處理。因此我們設(shè)定了一個閾值，并將在此像素值以上的是白色的， 所有其他像素為黑如圖1。

圖1 三幀差法Fig.1 Three difference methods

圖2 膨脹腐蝕處理Fig.2 Erosion and dilation

圖3 邊緣檢測Fig.3 Edge detection

2 圖像處理

2.1 去噪

邊緣檢測之前需要一個更高階降噪處理，在邊界附近濾出一些“鹽和胡椒粉噪聲”。一種有效處理這樣的噪聲的方法就是使用中值濾波，中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術(shù)，中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值改用該點(diǎn)的一個鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值，從而消除孤立的噪聲點(diǎn)。方法是去某種結(jié)構(gòu)的二維滑動模板，將板內(nèi)像素按照像素值的大小進(jìn)行排序，生成單調(diào)上升（或下降）的為二維數(shù)據(jù)序列。二維中值濾波輸出為 g（x，y）=med{f（x-k，y-l），（k，l∈W）}，其中，f（x，y），g（x，y）分別為原始圖像和處理后圖像。使用中值濾波能保持清晰邊緣用以防止提取輪廓形狀不明顯，例如腳或手在提取后模糊不清。

2.2 膨脹腐蝕

圖像有許多小洞在物體的周圍，我們需要一個填補(bǔ)功能來填這些小洞。一個典型的關(guān)閉功能包括兩個形態(tài)學(xué)操作，被稱為膨脹腐蝕，可擴(kuò)大和收縮物體大小，為了平滑對象的外部。物體的膨脹會導(dǎo)致規(guī)模的擴(kuò)大，因?yàn)樗鼤谝粋€3×3視窗大小內(nèi)每個像素值與最大值像素進(jìn)行交換。另一方面，侵蝕執(zhí)行同樣的方式，除了它將會引起物體減少，因?yàn)槊總€像素值是在一個3×3視窗大小內(nèi)每個像素值與最大值像素進(jìn)行交換。從理論上講，一個洞或者一個坑道可以經(jīng)過一系列的膨脹侵蝕操作后會被處理完整。

令f（x，y）代表輸入圖像，B（x，y）代表結(jié)構(gòu)元素，Df和DB分別是函數(shù)f和B的定義域。灰度腐蝕的定義為:

灰度膨脹的定義為:

灰度開運(yùn)算是用結(jié)構(gòu)元素B對灰度圖像先進(jìn)行腐蝕操作然后進(jìn)行膨脹操作，即:

灰度閉運(yùn)算是用結(jié)構(gòu)元素B對灰度圖像先進(jìn)行膨脹操作然后進(jìn)行腐蝕操作，即:

對圖1做一次腐蝕，緊隨其后的是做一次膨脹，圖像就獲得一個外部輪廓對象如圖2.

2.3 邊緣檢測

從外部輪廓圖像進(jìn)行邊緣檢測。Canny算子的目標(biāo)是找到一個最優(yōu)的邊緣檢測，最優(yōu)邊緣檢測的含義包括盡可能多地標(biāo)識出圖像中的實(shí)際邊緣，漏檢真實(shí)邊緣的概率和誤檢非邊緣的概率都盡可能?。粰z測到的邊緣點(diǎn)的位置距離實(shí)際邊緣點(diǎn)的位置最近，或者是由于噪聲影響引起檢測出的邊緣偏離物體的真實(shí)邊緣的程度最??；算子檢測的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)應(yīng)該是一一對應(yīng)。因此Canny使用了變分法和四個指數(shù)函數(shù)項(xiàng)表示，經(jīng)過Canny邊緣檢測算法處理后如圖3.

2.4 重心計算

圖4 各種姿態(tài)輪廓圖Fig.4 The outline of various acts

在提取出視頻中的人物的外部輪廓后，利用外部輪廓的每個像素點(diǎn)的坐標(biāo)值就可以計算該外部的重心。

求重心:

（1）設(shè)定輪廓線為 L，設(shè)在 L上的點(diǎn)為Pi（x，y），由于輪廓內(nèi)部的的灰度值一樣，可以看作等密度的，在L上取一點(diǎn)P0（x，y），然后沿著L取另外一點(diǎn)Pi（x，y），兩點(diǎn)連線與輪廓所圍成的面積為S1（根據(jù)所包圍的像素點(diǎn)的個數(shù)），S為整個輪廓的面積（整個輪廓所包圍的的像素個數(shù)）根據(jù)上述式子求得n，這樣就可以得到線段P0Pn，可以求得線段所在直線L1表達(dá)式。

（2）再取一點(diǎn)（異與X0和Xn），同樣方法再求線段P'0P'n所在直線L2表達(dá)式

重心的變化會有幾種情況:

（1）彎腰趴下或坐下如圖4中1和2情況。

（2）正常的通過圖4中3情況。

（3）跌倒如圖4中4情況。

提取連續(xù)幾幀圖像的輪廓后得到重心值，根據(jù)重心變化位移，以及時間公式（6）就可以得到加速度的值。

a為加速度，在t1時間內(nèi)的重心變化值為s1，在t2時間內(nèi)的重心變化值為s2.

3 實(shí)驗(yàn)結(jié)果

本文跌倒識別算法將人體在不同情況下的重心位置作為檢測特征，通過讀取大量圖片將人在彎腰，坐下，行走以及躺下時的重心作為統(tǒng)計樣本，通過統(tǒng)計重心坐標(biāo)樣本，人在正常行走的時候重心最高，這種屬于正常情況也最好判斷，人在彎腰以及坐下時重心與跌倒時重心有重疊的部分，容易產(chǎn)生識別錯誤，人在跌倒時重心特別低，能夠準(zhǔn)確判斷。根據(jù)采樣統(tǒng)計結(jié)果如表1:

表1 采樣統(tǒng)計結(jié)果Tab.1 The statistical results of sampling

通過以上的統(tǒng)計分析，將識別的重心值M設(shè)定為 M=18，25，28，30 來識別判斷不判斷。

圖5 行走過程中加速度變化Fig.5 The acceleration change of walking

圖6 蹲下過程中加速度變化Fig.6 The acceleration change of squatting

為了實(shí)現(xiàn)對識別效果的評估定義了以下的式子:

圖7 坐下過程中加速度變化Fig.7 The acceleration change of sitting

表2 跌到檢測實(shí)驗(yàn)結(jié)果Tab.2 The detect experimental results of fall

x1代表彎腰或者蹲下是檢測為正常的次數(shù)，x2代表彎腰或者蹲下是檢測為跌倒的次數(shù)，x3代表正常行走檢測為正常的次數(shù)，x4代表正常情行走檢測為跌倒的情況，x5代表是跌倒時檢測的次數(shù)，x6代表跌倒發(fā)生是未被檢測出來的次數(shù)，M為設(shè)定的跌倒時重心值。

由于帶有傳感器的跌倒檢測系統(tǒng)具有噪聲干擾，基于壓力傳感器的跌到識別系統(tǒng)其識別率在85% 左右，所以視頻圖像的檢測結(jié)果有大幅度提高。

通過以上的數(shù)據(jù)可以看到，當(dāng)人正常行走時檢驗(yàn)識別率為100%，這就說明在正常行走通過視頻監(jiān)控該算法能夠完全識別是不會出現(xiàn)誤判，而其它情況會出現(xiàn)誤判。但當(dāng)M變化時候就會出現(xiàn)識別的變化，這是由于蹲下和彎腰時重心與跌倒時有重疊部分，所以在識別時候會出現(xiàn)誤差，當(dāng)M設(shè)置過小時將會出現(xiàn)跌倒時未被檢測出來，會當(dāng)成其他的行為，當(dāng)設(shè)置過大時會將部分正常行為識別為跌倒，就會出現(xiàn)誤判。對于這一分類細(xì)化還有進(jìn)一步提高的空間。

4 結(jié)論

本文基于三幀法和重心相結(jié)合，提出一種對老年人跌倒判斷的新方法，利用三幀差法提取視頻中的目標(biāo)圖像輪廓，然后重心，利用重心的位置，加速度變化來判斷老年人的行為，通過對臨界狀態(tài)數(shù)據(jù)進(jìn)行判斷該算法總的誤判率降至更低。同時，也進(jìn)一步提高了跌倒識別的抗干擾能力。實(shí)驗(yàn)結(jié)果表明該算法對老年人跌倒的識別率較高，對其他生活時間的誤判率也相對較低。因此該算法有較高的魯棒性和準(zhǔn)確性適合在老年人跌倒識別中加以應(yīng)用。

［1］任子良，李勇.基于二次判斷的無線多傳感器跌倒監(jiān)測系統(tǒng)［J］.計算機(jī)工程與設(shè)計，2012，33（5）:1785-1789.

［2］李冬，梁山.基于加速度傳感器的老年人跌倒檢測裝置設(shè)計［J］.傳感器與微系統(tǒng)，2008，27（9）:85-88.

［3］石欣，熊慶宇，雷璐寧.基于壓力傳感器的跌倒檢測系統(tǒng)研究［J］.儀器儀表學(xué)報，2010，31（2）:66-70.

［4］SHIEH WANN-YUN，HUANG JU-CHIN.Falling-incident detection and throughput enhancement in a multi-camera video-surveillance system ［J］.ACM Transactions on Intelligent Systems and Technology，2011，2（3）:27-33.

［5］BERTOZZIM，BROGGI A，DEL ROSE M，et al.A pedestrian and Detector using histograms of oriented Gradients and a support vector machine classifier［C］//Proc of the IEEE Intelligent Transportation Systems Conference，2007:143-148.

［6］KIM S E，HAN J K，KIM J G.An efficient scheme for motion estimation using multi reference frame sin H.264/AVC［J］.IEEE Trans on Multimedia，2006，8（3）:457-466.

［7］孫新香.基于三軸加速度傳感器的跌倒檢測技術(shù)研究與應(yīng)用［D］.上海:上海交通大學(xué)，2009.

［8］宗文杰，余青松，張敏，等.基于GIS的視頻監(jiān)控系統(tǒng)研究［J］.計算機(jī)工程與設(shè)計，2011，32（2）:745-748.